2. 程式人生 > >Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1）

Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1）

阿新 • • 發佈：2018-11-27

Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1）

輸出結果

[1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0]

設計思路

 

實現程式碼

 

 

 

 

 

相關推薦

Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1）

Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1） 輸出結果 [1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0,

Keras之MLP：利用MLP【Input(8)→(12)(relu)→O(sigmoid+二元交叉)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1）

Keras之MLP：利用MLP【Input(8)→(12)(relu)→O(sigmoid+二元交叉)】模型實現預測新資料(利用糖尿病資料集的八個特徵預測一個0或1） 輸出結果   實現程式碼 # load and prepare the dataset

Keras之DNN：利用DNN演算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病資料集訓練、評估模型(利用糖尿病資料集中的八個引數特徵預測一個0或1結果)

Keras之DNN：利用DNN演算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病資料集訓練、評估模型(利用糖尿病資料集中的八個引數特徵預測一個0或1結果) 輸出結果 設計思路   實現程式碼 1、 2、  

Keras之MLPR：利用MLPR演算法(3to1【視窗法】+【Input(3)→(12+8)(relu)→O(mse)】)實現根據歷史航空旅客數量資料集(時間序列資料)預測下月乘客數量問題

Keras之MLPR：利用MLPR演算法(3to1【視窗法】+【Input(3)→(12+8)(relu)→O(mse)】)實現根據歷史航空旅客數量資料集(時間序列資料)預測下月乘客數量問題   輸出結果   設計思路  

HDU 1540（線段樹區間合併+維護連續0或1）

題意：1-n個地道，m個次操作，D代表摧毀第i個地道，Q代表查詢包含第i個地道的最大連續地道數目，並輸出。R代表修復最近摧毀的那個地道； 思路：這題利用了線段樹的相鄰結點區間是連續的特性，而且是維護連續的1，所以用llen、rlen、len陣列分別表代表當前結點的1的最長連續字首長、最長連續後綴

Keras之MLPR：利用MLPR演算法(1to1+【Input(1)→8(relu)→O(mse)】)實現根據歷史航空旅客數量資料集(時間序列資料)預測下月乘客數量問題

Keras之MLPR：利用MLPR演算法(1to1+【Input(1)→8(relu)→O(mse)】)實現根據歷史航空旅客數量資料集(時間序列資料)預測下月乘客數量問題 輸出結果 單位為：千人   設計思路   實現程式碼

BZOJ 1641 [Usaco2007 Nov]Cow Hurdles 奶牛跨欄：新版floyd【路徑上最大邊最小】

online ble code problem -1 efi color 最大的 pan 題目鏈接：http://www.lydsy.com/JudgeOnline/problem.php?id=1641 題意： 　　給你一個有向圖，n個點(n <= 300)，m條邊

Codeforces 577B Modulo Sum：數學 結論【選數之和為m的倍數】

fine 題解 直接 pro def ble 個數字 out i++ 題目鏈接：http://codeforces.com/problemset/problem/448/C 題意： 　　給你n個數字，給定m。 　　問你是否能從中選出若幹個數字，使得這些數字之和為m的倍

Ubuntu 下安裝CUDA（安裝：NVIDIA-384+CUDA9.0+cuDNN7.1）

rate lob dimen 申請 brush snappy clu edit 表示 （安裝：NVIDIA-384+CUDA9.0+cuDNN7.1） 顯卡(GPU)驅動：NVIDIA-384 CUDA:CUDA9.0 cuDNN:cuDNN7.1 Ubuntu 下安裝CU

【學習筆記1】吳恩達_卷積神經網路_第一週卷積神經網路（1）

一、卷積神經網路 1.邊緣檢測 不同的語言中表示卷積的函式不同，在Python中為在tensorflow裡為 濾波器：垂直、水平邊緣檢測。 Sobel filter:其優點在於增加了中間一行元素的權重，即影象中間的畫素點提高，會使結果的魯棒（robust）性提高。

【iOS-Cocos2d遊戲開發之十八】解決滾屏背景/拼接地圖有黑邊(縫隙)/動畫播放出現毛邊以及禁止遊戲中自動鎖屏問題！【2011年12月18日補充】

原創,轉載務必在明顯處註明：轉載自 原文連結: http://www.himigame.com/iphone-cocos2d/507.html     本章節主要為大家介紹在遊戲開發過程中經常遇到的兩個問題；     1. 解決滾屏背景或拼接地圖有黑邊！      對於遊戲開

用Vue的一個購物車（1），雖然是自己寫的但是也是來源於指令碼之家的案例，就算轉載啦

百度的時候看別人的程式碼總是，這幾天沒有事情，這幾天專案需要，隨便研究了一下巴拉巴拉巴拉，寫了一個demo，大家看看，結果，看不懂，果然是太笨了，我是純菜鳥啊！！！！TOT，然後我也不知道怎麼才能把這個程式碼格式弄得很好看，  <div> 展示：商品名稱，商

TensorFlow2.0（1）：基本資料結構—張量

1 引言 TensorFlow2.0版本已經發布，雖然不是正式版，但預覽版都發布了，正式版還會遠嗎？相比於1.X，2.0版的TensorFlow修改的不是一點半點，這些修改極大的彌補了1.X版本的反人類設計，提升了框架的整體易用性，絕對好評！ 不多說了，趕緊來學習一波吧，做最先吃螃蟹的那一批人！先從Ten

Spring Security4.1.3實現攔截登錄後向登錄頁面跳轉方式（redirect或forward）返回被攔截界面

response href tools 當前 錯誤 界面 sets view 鏈接 一、看下內部原理 簡化後的認證過程分為7步: 用戶訪問網站，打開了一個鏈接(origin url)。 請求發送給服務器，服務器判斷用戶請求了受保護的資源。

eclispe新導入的文件有個小紅叉號（x）的問題

關閉 相關 view fill 文件 rar ems rep tar 關於這個問題，我百度了很久，後面發現很簡單的就解決了：我覺得可能大家的問題不一樣，或許解決方法可能是一樣的： 參考鏈接：https://zhidao.baidu.com/question/61676277

memset 對每個字節進行初始化 （0，-1）

依靠 初始 結果 memset 二進制 size 字節 mem -1 memset是依靠二進制進行初始化，int是4個字節，memset把每個字節都賦值，也就是說， 比如memset（a,2,sizeof(a)) 則00000010 00000010 00000010 00

【程序員筆試面試必會——排序②】Python實現 計數排序、基數排序

16px 最大 元素 size medium log n) python實現 count 一、計數排序 概要：　　 　　時間復雜度O(n)，空間復雜度O(k)，k是輸入序列的值的範圍（最大值-最小值），是穩定的。計數排序一般用於已知輸入值的範圍相對較小，比如給公司員工的身高

好用的firefox瀏覽器、geckodriver驅動的版本組合（55 和 0.19.1）

odr 分享圖片 pan fir 驅動 driver span 有時 info 試過很多的firefox瀏覽器版本和geckodriver的組合，有時候好用，有時候不好用，現在確定了一個好用的版本組合，記錄一下： firefox：版本55，而且此版本可以用firebug

【計算機視覺】opencv靶標相機姿態解算2 根據四個特徵點估計相機姿態 及 實時位姿估計與三維重建相機姿態

https://blog.csdn.net/kyjl888/article/details/71305149 1 基本原理之如何解PNP問題 轉載 基本原理之如何解PNP問題 http://www.cnblogs.com/singlex/p/pose_estimati

rxjs一句話描述一個操作符（1）

構造 有一個 函數式 組播 訂閱 發布 ext push 訂閱模式 之前一直在寫LINQ之類的東西，對於函數式的面向對象還是有一些功底，所以對於rxjs，感覺上不是很難，但是每次看完過幾天就忘，還是記一下筆記吧，好記性不如爛筆頭真不是蓋的。 首先介紹幾個重要的概念。 可以通